| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 缩略语表 | 第11-12页 |
| 第一章 引言 | 第12-18页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究现状 | 第13-16页 |
| 1.2.1 传统点击率预测模型研究 | 第14-15页 |
| 1.2.2 移动广告点击率预测研究 | 第15-16页 |
| 1.3 研究内容 | 第16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第二章 相关技术 | 第18-28页 |
| 2.1 特征工程 | 第18-20页 |
| 2.1.1 特征处理方法 | 第18-19页 |
| 2.1.2 特征选择方法 | 第19-20页 |
| 2.2 GBDT模型 | 第20-21页 |
| 2.3 神经网络模型 | 第21-23页 |
| 2.3.1 神经元模型简介 | 第21-22页 |
| 2.3.2 神经网络模型类型 | 第22-23页 |
| 2.3.3 神经网络训练方式 | 第23页 |
| 2.4 强化学习 | 第23-26页 |
| 2.4.1 强化学习原理 | 第24页 |
| 2.4.2 强化学习实现 | 第24-25页 |
| 2.4.3 强化学习算法 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 移动广告特征提取与基于GBDT及FFM的融合模型设计 | 第28-43页 |
| 3.1 移动广告的特点 | 第28-29页 |
| 3.2 移动广告特征分析 | 第29-31页 |
| 3.2.1 移动广告通用型特征分析 | 第29-30页 |
| 3.2.2 基于特征选择的特征分析 | 第30-31页 |
| 3.2.3 移动广告时间型特征提取 | 第31页 |
| 3.3 GBDT与FFM融合模型(FFM++)设计 | 第31-34页 |
| 3.3.1 利用GBDT提取特征 | 第31-32页 |
| 3.3.2 FFM模型分析 | 第32-33页 |
| 3.3.3 FFM++模型实现 | 第33-34页 |
| 3.4 实验结果及分析 | 第34-41页 |
| 3.4.1 实验环境及数据集描述 | 第34-36页 |
| 3.4.2 模型及评价指标介绍 | 第36-37页 |
| 3.4.3 基于特征的实验结果分析 | 第37-39页 |
| 3.4.4 GBDT与FFM模型融合的实验结果分析 | 第39-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 基于神经网络及强化学习的预测模型设计 | 第43-58页 |
| 4.1 神经网络模型设计 | 第43-49页 |
| 4.1.1 FNN模型设计 | 第43-46页 |
| 4.1.2 PNN模型的设计 | 第46-49页 |
| 4.2 基于强化学习和神经网络模型融合处理的设计 | 第49-52页 |
| 4.2.1 基于强化学习的神经网络模型(RBP)设计 | 第50-51页 |
| 4.2.2 RBP模型与提升方法对比分析 | 第51-52页 |
| 4.3 实验结果及分析 | 第52-57页 |
| 4.3.1 数据集、模型及实验环境介绍 | 第52-53页 |
| 4.3.2 神经网络模型参数的选择 | 第53-55页 |
| 4.3.3 强化学习部分参数的选择 | 第55-56页 |
| 4.3.4 模型间性能对比分析 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64页 |
